训练样本文件格式说明

未分类

样本概况

收集了3700多个常用汉字的样本，每一个字有20种字体。
TrainData目录下有两个文件夹：ChineseData 和 mnisten。
ChineseData主要存放中文样本的图片数据，其中text2image.py是生成训练样本的python程序，fonts是字体文件，包含了windows的20种汉字字体。ChineseData/data目录存放具体的汉字图片，一共有3754个汉字，每一个汉字对应一个整形的序号，汉字与序号之间的对应关系存放在该目录下的map.txt中。
ChineseData目录下的train_images.idx3,train_labels.idx1文件根据idx的数据格式将所有的汉字图像文件转换成二进制格式存放，train_images.idx3存放图片数据，train_labels.idx1存放标识数据。
mnisten目录存放将图片文件转换成idx格式文件的程序。mnist的数据介绍点击这里了解。由于汉字的种类比较多，因此汉字的idx文件格式和mnist不大一样，进行的相应修改。

样本的IDX文件格式

TRAINING SET LABEL FILE (train-labels-idx1):

The labels values are 0 to 3753.

TRAINING SET IMAGE FILE (train-images-idx3):

样本数据读取

http://source.jd.com/app/CharacterRecognition/tree/master/include
中的mnist_parser.h包含了解析函数
可用下面函数进行测试

void main{
    string labelFile = "E:\\JDSource\\TrainData\\ChineseData\\train_labels.idx1";
    string imageFile = "E:\\JDSource\\TrainData\\ChineseData\\train_images.idx3";
    std::vector<label_t> train_labels;
    std::vector<vec_t> train_images;
    parse_mnist_labels(labelFile, &train_labels);
    parse_mnist_images(imageFile, &train_images);
    Mat testMat;
    std::cout << train_labels[0] << std::endl;
    VecToMat(train_images[0], 64,64,testMat);
    cv::imshow("test", testMat);
     while(cv::waitKey()!='q') {
    }
    }